智慧化考虑运用数据、信息、知识及反馈机制提升微表情识别准确度

一、什么是微表情

微表情是一种快速呈现的表情,一般认为其持续时间在 1/25 秒~1/5 秒之间,也有学者认为其持续时间在 1/2秒以内,反映了人们压抑的真实情绪。当前微表情识别技术广泛应用在银行业务领域,例如反欺诈等助力金融服务智慧化。例如平安银行微表情识别技术能够远程抓取客户微小表情变化,识别贷款欺诈风险,全面提升了风控水平

然而,人们忽略了微表情其实是一个心理学名词,是一种人类在试图隐藏某种情感时无意识做出的、短暂的面部表情。对应着七种世界通用的情感:厌恶、愤怒、恐惧、悲伤、快乐、惊讶和轻蔑。微表情总会不知不觉地暴露自己的内在想法,从市让谎言有迹可循,这也是人类共有的一种特征。我们可以通过对方的微表情,加以分析,判断其当下的心理状态。

二、微表情与情绪或者情感之间的关联性需要更多研究支持

有研究表明压抑体验到的情绪(情绪欺骗)必定伴随有微表情 (Porter, tenBrinke, & Wallace),但己有研究结果并不一致,Ekman (2009)发现在撒谎的被试中,只有大约一半的人出现微表情,也即并不是所有压抑情绪的人((欺骗者)都有微表情。因此,微表情和情绪之间的必然性在科学依据上尚未有定论,因此将微表情识别应用在发欺诈、基于情绪的产品推荐等等场景时,其客户真实意图的洞察,往往不那么准确。虽然有一些识别方法,给出了数据来阐明他们的方法准确度超过了 99%,那么它的评价机制是否科学我觉得值得商榷。

因此对微表情在欺骗检测中的应用,有两种完全相反的意见,一种观点认为利用微表情进行欺骗检测是有效的(Frank et al., 2009; Frank &Svetieva):另一种认为根据实验室结果和政府相关报告,微表情尚不能作为欺骗检测的有效线索 (USGovernment Accountability Office(GAO))

然而,将微表情识别技术应用到欺诈检测中是可行的,而且有价值的。因为至少某些研究表明了一定程度上的微表情与兴趣上的关联性。

三、那么如何提升微表情识别的准确度呢?

1、在数据处理层面(Data)

当前很多的思路集中在优化机器学习算法,在视频及图像处理上下功夫,使用更多的计算资源,以及更加优化的图像处理算法,来提升整体识别的智能程度。

识别准确度 = 识别算法(微表情输入)

2、在信息层面(Information)

不少方法通过引入微表情之外的信息,例如声纹,交互行为来降低识别结果的信息熵。

识别准确度 = 识别算法(微表情输入) + 额外信息(其他模式输入)

3、在知识分析层面(Knowledge)

甚至有些方法融合了知识推理,在数据、信息掌握和处理不全面、丢失等情况下,通过知识推理来补全知识,得到想要的准确识别结果。综合来看,大部分方法集中在了数据处理优化层面,只有少数方法去融合信息和知识。

识别准确度 = 知识推理算法(识别算法(微表情输入) + 额外信息(其他模式输入))

4、在智慧层面考虑(Wisdom)

然而,更致命的可能是,对于识别结果的评价机制尚不够科学,或者更进一步的,没有通过引入科学的评价机制自动化反馈并提升识别结果,就无法证明识别结果的适应与否。

别准确度 = 反馈网络 * 知识推理算法(识别算法(微表情输入) + 额外信息(其他模式输入))

四、更加智慧的思路

更加智慧的思路其实就是在识别方法的结果上增加更加科学的、客户驱动的评价机制,直接反映识别的结果的正确性或者有效性。再通过客户驱动的评价反向调整识别算法的识别参数。

识别准确度=调整系数 * 初始识别准确度
调整系数 = k * 反馈网络

 

热门相关:洪荒二郎传   情事:妈妈朋友   女校友   锦庭娇   锦庭娇